云层图像检测方法与流程

本发明涉及遥感技术领域，特别是指一种基于能量特征、纹理特征及运动特征的云层图像检测方法。

背景技术：

近年来，遥感技术在现代军事、天基探测和气象分析等领域得到了广泛的应用，遥感图像解译是遥感技术的关键技术之一。遥感图像解译指的是根据图像的几何特征和物理性质，进行综合分析，从而揭示出物体或现象的质量和数量特征，以及它们之间的相互关系，进而研究其发生发展过程和分布规律，也就是说根据图像特征来识别它们所代表的物体或现象的性质。虚警源对于遥感图像解译有较大的影响。而遥感图像中往往存在着不同的虚警源，这些虚警源具有辐射强度高、随时间变化等特点。例如:高空卷云是一种重要的虚警源。地球上有1/3到1/2的面积被云层覆盖，对遥感图像及目标探测系统而言，高空云层是一种主要的杂波。而卷云由于其形状变化快、运动多变等特征，给遥感图像的解译带来了一定困难。研究合适的卷云检测算法，可以提高遥感成像及探测系统的精度，有利于实现其军事及空间用途。

一般来说，卷云检测往往采用光谱分析法，采集可见光及红外等多通道数据，利用云层与其他地面物体的辐射差异来进行检测。但这种方式是实时性不高，并且对成像设备要求高，不易于卷云检测的开展。

技术实现要素：

本发明要解决的技术问题是提供一种基于能量、纹理及运动特征的云层图像检测方法，解决现有技术中高空卷云难以被准确检测的问题。

为解决上述技术问题，本发明的实施例提供一种云层图像检测方法，包括：检测装置接收包含n帧遥感图像的遥感图像序列fn(x,y)，其中n＝1,...,n为帧号，n为总帧数；所述检测装置从所述遥感图像序列提取遥感图像的能量特征，获得能量显著性图所述检测装置计算所述能量显著性图的亮度对比度，获得亮度对比度图像所述检测装置提取所述亮度对比度图的纹理特征，获得纹理特征图所述检测装置利用图像运动信息，将所述纹理特征图进行帧间关联，提取感兴趣区域roi，获得云层检测结果。

可选的，检测装置利用图像运动信息，将所述纹理特征图进行帧间关联，提取感兴趣区域roi，获得云层检测结果具体为：

所述检测装置设定亮度阈值t，对亮度对比度的结果进行阈值分割，获得分割结果为thn(x,y)：所述检测装置对所述分割结果thn(x,y)进行开操作，消除孤立的亮点，去掉部分杂波，同时填充孔洞，获得处理后的分割结果th′n(x,y)；所述检测装置将th′n(x,y)中像素值为1的区域标记为感兴趣区域roi，计算并得到当前roi的中心坐标(xn,yn)；所述检测装置设定运动阈值mov，计算第n帧及第n+1帧的roi的中心之间的距离：如果dn<mov，所述检测装置则将n帧及第n+1帧的roi区域进行关联；所述检测装置提取相互关联的roi区域，所述相互关联的roi区域为云层检测结果。

可选的，检测装置从所述遥感图像序列提取遥感图像的能量特征，获得能量显著性图具体为：

所述检测装置对所述遥感图像序列进行傅里叶变换：sn(ωx,ωy)＝f[fn(x,y)],n＝1,...,n，其中，f表示傅里叶变换算子，(ωx,ωy)表示变换到频域的坐标；所述检测装置计算傅里叶变换的幅值，并取对数得到对数谱：ln(ωx,ωy)＝log[|sn(ωx,ωy)|]，其中|·|表示幅值算子；计算相位谱p(ωx,ωy)：其中表示相位算子；所述检测装置将所述对数谱与大小为m×m的均值滤波模板卷积，得到平滑谱：v(ωx,ωy)＝ln(ωx,ωy)*hm(ωx,ωy)，其中均值滤波模板为：所述检测装置将对数谱与平滑谱相减，获得谱残差r(ωx,ωy)：r(ωx,ωy)＝ln(ωx,ωy)-v(ωx,ωy)，检测装置将谱残差r(ωx,ωy)与相位谱p(ωx,ωy)进行二维离散傅里叶反变换，得到能量显著性图

可选的，检测装置所述检测装置提取所述亮度对比度图的纹理特征，获得纹理特征图具体为：检测装置构建滤波器：其中，x′＝a^-m(xcosθ+ysinθ)，y′＝a^-m(-xcosθ+ysinθ)，a^-m为尺度因子，θ表示核函数的方向，λ表示正弦函数的波长，ψ表示相位偏移，σ表示高斯函数的标准差，γ表示函数的宽高比；所述检测装置将滤波器与遥感图像卷积，得到滤波结果，所述滤波结果为纹理特征图：

本发明的上述技术方案的有益效果如下：上述方案中，由于检测装置采用图像处理的方式进行遥感图像中的云层检测，降低了对传感器的要求，同时可以准确地检测到卷云的位置及大小；并且采用的算法简单，计算效率高，可以满足实时性要求。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如下。

附图说明

图1为本发明的云层图像检测方法的流程图。

图2为本发明的一个例子的一组含有卷云的红外图像。

图3为对图2红外图像的能量显著性图。

图4为图3能量显著性图的亮度对比度图像。

图5为图4亮度对比度图像的纹理特征图。

图6为云层检测结果。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的高空卷云难以被准确检测的问题，提供一种基于能量、纹理及运动特征的云层图像检测方法。

如图1所示，本发明的实施例提出一种基于能量、纹理及运动特征的云层图像检测方法，该方法应用于检测装置，具体包括：

步骤1：检测装置接收n帧遥感图像，记为遥感图像序列，这个遥感图像序列可以用函数fn(x,y)来表示，其中n＝1,...,n为帧号，n为总帧数。例如：图2为一组含有卷云的红外遥感图像。

步骤2：检测装置从遥感图像序列分别提取每帧遥感图像的能量特征，根据每帧遥感图像的能量特征，获得能量显著性图，该能量显著性图记为例如：图3为对图2的含有卷云的红外图像进行能量特征提取，获得的能量显著性图。

其中，这里的每帧遥感图像的能量特征采用谱残差特征。其具体步骤如下：

21，检测装置对遥感图像序列进行傅里叶变换：

sn(ωx,ωy)＝f[fn(x,y)],n＝1,...,n

其中，f表示傅里叶变换算子，(ωx,ωy)表示变换到频域的坐标。

22，检测装置计算傅里叶变换的幅值，并取对数得到对数谱：

ln(ωx,ωy)＝log[|sn(ωx,ωy)|]

其中|·|表示幅值算子。同时计算相位谱：

其中表示相位算子。

23，检测装置将上一步得到的对数谱与大小为m×m的均值滤波模板卷积，得到平滑谱：

v(ωx,ωy)＝ln(ωx,ωy)*hm(ωx,ωy)

其中均值滤波模板为：

24，检测装置将对数谱与平滑谱相减，得到谱残差：

r(ωx,ωy)＝ln(ωx,ωy)-v(ωx,ωy)

25，检测装置将谱残差r(ωx,ωy)与相位谱p(ωx,ωy)进行二维离散傅里叶反变换，得到能量显著性图：

步骤3：检测装置计算能量显著性图的亮度对比度，获得亮度对比度图像，该对比度图像记为例如：图4为对图3的能量显著性图的进行亮度对比度计算后获得的亮度对比度图像。

步骤4：检测装置提取亮度对比度图的纹理特征，得到纹理特征图，该纹理特征图记为例如：图5为对图4的亮度对比度图像进行纹理特征提取后获得的纹理特征图。

这里的纹理特征可以采用方向gabor特征来表示。具体的得到纹理特征图过程包括：

41，所述检测装置构建滤波器：

其中，x′＝a^-m(xcosθ+ysinθ)，y′＝a^-m(-xcosθ+ysinθ)。a^-m为尺度因子，θ表示gabor核函数的方向，λ表示正弦函数的波长，ψ表示相位偏移，σ表示高斯函数的标准差，γ表示函数的宽高比。选取不同的方向，即可得到gabor多方向滤波器。

42，检测装置将gabor滤波器与输入图像卷积，得到滤波结果，该滤波结果即为纹理特征图：

步骤5：检测装置利用图像运动信息，将纹理特征图进行帧间关联，提取感兴趣区域，获得云层检测结果。例如：图6为最终的云层检测结果。

下面详细介绍上述步骤5的过程：

51，检测装置设定亮度阈值t，对亮度对比度的结果进行阈值分割，获得分割结果，该分割结果记为thn(x,y)：

52，检测装置对分割结果进行开操作，消除孤立的亮点，去掉部分杂波，同时填充孔洞，将处理后的分割结果记为th′n(x,y)。将th′n(x,y)中像素值为1的区域标记为感兴趣区域(regionofinterest,roi)，计算并得到当前roi的中心坐标，并将当前roi的中心坐标记为(xn,yn)。

53，检测装置设定运动阈值mov，计算第n帧及第n+1帧的roi的中心之间的距离：

如果dn<mov，检测装置则将n帧及第n+1帧的roi区域进行关联；如果dn>mov，则关联失败，检测装置不对n帧及第n+1帧的roi区域进行关联。

54，检测装置提取相互关联的roi区域，该相互关联的roi区域即为卷云检测结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

由于检测装置采用图像处理的方式进行遥感图像中的卷云检测，降低了对传感器的要求，同时可以准确地检测到卷云的位置及大小；并且采用的算法简单，计算效率高，可以满足实时性要求。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。